医疗保健机器学习算法
一组数据科学家开发了一个基于机器学习的系统，以实现医疗保健中的自然语言处理. 该系统处理患者记录，并预测诊断属于哪一类.
宝博体育买球的客户
宝博体育买球的客户是一家基于尖端技术为企业创建分析解决方案的软件开发公司. 该公司基于云的软件解决方案主要是使用与平台无关的开源技术开发的. 总部设在加州, 该公司是由一群在硅谷从事前瞻性软件技术开发十多年的资深技术人员创建的.
项目分析
客户要求宝博买球开发一个概念验证解决方案来处理医疗数据. 基于机器学习和自然语言处理算法, 该模型将处理病人的记录并识别症状，以预测哪组疾病(心理学), 神经系统, 肌肉骨骼, 等.)的诊断可能属于. 根据客户的要求, 团队必须开发一个解决方案并提供详细的文档, 确保客户的内部团队能够按照指示轻松地复制相同的解决方案并获得相同的结果.
宝博买球解决方案
韦弗利为这个项目聘请了一组数据科学家. 这个小组继续进行研究, 探索如何实现目标的各种选择，直到找到最优解决方案. 在将数据输入模型之前，需要对数据进行处理:
- 输入数据经过过滤过程
- 在Google Books Ngram Dataset的帮助下，计算每个单词的词频得分，以挑出有意义的单词
- 使用通用句子编码器，单词嵌入生成
- 系统将数据转换为索引，然后在特殊词汇表的帮助下转换回来
结果是, 该系统能够识别输入数据, 确定可能的子树, 将其分配给相关模型, 然后对数据的可能类别做出预测. 获得的平均准确度为95%.
机器学习模型
由于庞大的数据量(大约870000个条目), 宝博体育买球的机器学习工程师开发了29个模型来进行预测. 添加了一个称为Classifier的附加模型来确定输入文本属于哪个子树, 随后，应该调用哪个模型来处理数据. 这有助于优化预测过程，因为不可能将所有数据条目放入一个模型的存储中.
提高处理速度, 该团队尝试在多个gpu上同时运行这些模型, 也使用Tensorflow服务进行预测. 这有助于简化预测，同时保持相同的准确性.
过程
乌克兰的团队一直与美国的客户保持着沟通. 该团队每周都会召开电话会议，讨论开发问题和进一步的步骤. 乌克兰的工程师还就同步系统复制过程中遇到的问题向客户的内部开发人员提供建议. 因为项目需要详细的文件, 宝博买球提供了一个按需工作的技术作家.
结果
该团队开发了一个工作模型, 优化了处理速度，现在该模型正在实际患者数据上进行测试. 接下来的步骤是创建一个更灵活的系统, 全自动数据标注，确保最高的预测精度. 在那之后, 该团队将开发一个用户界面，并介绍在实际医院中使用的解决方案.
